A China na América do Sul

Introdução

Objetivo: analisar o tamanho e características empréstimos e subsídios Chineses, notadamente, na América do Sul entre 2000 - 2014.

Desafio: we find that 50% of China’s lending to developing countries is not reported to the IMF or World Bank. (HORN; REINHART.; TREBESCH, 2015:7).

Coleta e Análise dos Dados

Dreher, A., Fuchs, A., Parks, B.C., Strange, A. M., & Tierney, M. J. (2017). Aid, China, and Growth: Evidence from a New Global Development Finance Dataset. AidData Working Paper #46. Williamsburg, VA: AidData.

"This dataset tracks the known universe of overseas Chinese official finance including foreign aid and other forms of concessional and non-concessional state financing — from China to 138 countries between 2000 and 2014.

Apresentaremos os dados sob a forma de estatística descritiva e mobilizaremos algumas medidas de Análise de Redes.

First, let’s load the packages:

library(dplyr)
library(ggplot2)
library(tidyverse)
library(readr)
library(dplyr)
library(GGally)
library(splitstackshape)
library(readxl)
library(ggplot2)
library(here)
library(ggrepel)
library(ggridges)
library(gganimate)
library(ggstance)
library(patchwork)
library(igraph)
library(plotly)
library(reshape2)
library(visNetwork)
library(DT)

Then, let’s read some data taken from student’s references section. To make it easy in this post, the data are already saved in a .csv file but you will find my procedure to obtain this table here below commented:

dados_cross_bid <- here("static/files/dados.cross.csv") %>% 
  read_csv()

dados_GCOF <- here("static/files/GlobalChineseOfficialFinanceDataset_v1.0.xlsx") %>% 
  read_xlsx()

Do total das 5466 observações salienta-se que 4235 projetos (77.48%) não tem identificação da origem do financiamento sob o rótulo Unspecified Chinese Government Institution. No entanto, dos projetos que a origem dos recursos podem ser identificados três stakeholders podem ser destacados: Export-Import Bank of China (765), China Development Bank (208), e Chinese Embassy/Consulate (71). O gráfico 1 apresenta o conjunto de entidades que financiaram acima de 5 projetos.

A mesm dificuldade de rastreamento ocorre para a identificação dos implementadores sendo possível nomeá-los em apenas 1409 projetos. O Gráfico 2 apresenta esses resultados.

t2 <-table(dados_GCOF$implementing_agency_1)
t2 <- as.data.frame(t2)

t2 <- t2 %>% 
  filter(Freq %in% (10:765))

t2 %>% 
mutate(Var1 = fct_reorder(Var1, Freq)) %>%
ggplot() +
 aes(x = Var1, weight = Freq) +
 geom_bar(fill = "#0c4c8a") +
 coord_flip() +
 labs(x = " ", y = "Número de projetos ", title = "Número de projetos por implementadores", caption = "Elaborado pelo autor. Fonte: Global Chinese Official Finance Dataset") +
 theme_classic(base_size = 10)

Cabe considerar que, consideradas apenas as operações sem identificação de financiamento, ao rastrear os stakeholders implementadores dos projetos destacamos: i) Confucius Institute (31), ii) Shanghai Construction Group General Co (22) e iii) Chinese Embassy (20). A tabela 1 informa quais atores que mais implementaram projetos na categoria dos financiamentos não passíveis de rastreamento.

440 dos 5466 projetos tiveram a a “Latin America and the Caribbean” como destido. Abaixo a distribuição o anual dos projetos na região

Sobre a distribuição dos projetos por países setores na região “Latin America and the Caribbean”

tab1 <- cbind(dados_GCOF$recipient_condensed, dados_GCOF$recipient_region, dados_GCOF$sector)

tab1 <- as.data.frame(tab1)

tab1 <- tab1 %>% 
        filter(V2 %in% "Latin America and the Caribbean")
 
tab1.tab <- table(tab1)

tab1.tab <- as.data.frame(tab1.tab)

cc1 <- ggplot(tab1) +
 aes(x = V1) +
 geom_bar() +
 scale_fill_hue() +
 coord_flip() +
 theme_minimal()


cc2 <- ggplot(tab1) +
  aes(x = V1, fill = V3) +
  geom_bar(position = "fill") +
  scale_fill_hue() +
  coord_flip() +
  theme_minimal()

cc1 / cc2

Análise de Redes: Financiadores e Implementadores

Quais nós tem um maior impacto na determinação da estrutura da rede?

A primeira rede a ser apresentada é a que vincula entidades financiadoras e países que receberam o financiamento. A rede é composta por 168 nós e 1229 vínculos.

 nodes <- here("static/files/Nodeset.xlsx") %>% 
  read_xlsx()
 edges <- here("static/files/Edgelist.xlsx") %>% 
 read_xlsx()

g <- graph_from_data_frame(edges)

indegree <- degree(g, mode = "in")
outdegree <- degree(g, mode = "out")
incloseness <- closeness(g, mode = "in") %>% round(6)
outcloseness <- closeness(g, mode = "out") %>% round(6)
betweenness <- betweenness(g) %>% round(1)
eigenvector <- eigen_centrality(g, directed = FALSE) %$% vector %>% round(3)

df_sna <- data.frame(indegree, outdegree, incloseness, outcloseness, betweenness, eigenvector)

datatable(df_sna)

Considerações Finais

Do ponto de vista topológico:

Rede de financiadores

Considerando as operações que são possíveis de serem rastreadas, os resultados sugerem que há uma alta centralização de, notadamente, três stakeholders: i) Export-Import Bank of China, ii) China Development Bank (CDB), iii) Chinese Embassy/Consulate. Cabe considerar que, até onde conseguimos verificar, essa estrututura torna esse sistema pouco resiliente na medida em que a saída de poucos nós pode gerar um impacto sistêmico significativo (passível de ser medido).

Já em relação aos implementadores:

A rede tem uma topologia mais descentralizada tendo entre os 4 principais nós 3 empreas relacionadas a infraestrtutura e uma de tecnologia.

Referências

Horn, Sebastian; Reinhart, Carmen M.; Trebesch, Christoph (2019). China’s overseas lending, Kiel Working Paper, No. 2132, Kiel Institute for the World Economy (IfW), Kiel.